ИИ в медицине

В статье представлено исследование, в котором вычисление полигенного скоринга (PGS) — важного инструмента оценки генетических рисков заболеваний — было переосмыслено как задача разреженного матричного умножения, выполняемого на графических процессорах (GPU). Ключевой инновацией является использование автономного AI-агента для автоматической оптимизации кода алгоритма скоринга без ручного вмешательства, что позволяет значительно ускорить обработку больших геномных данных. Исследователи протестировали подход на синтетических данных и реальных геномах из проекта 1000 Genomes, сравнивая результаты с эталонным инструментом pgsc_calc. На синтетическом бенчмарке оптимизированный агентом скорер показал ускорение в 71 раз по сравнению с традиционным CPU-решением, хотя обучение на синтетических данных привело к значительным расхождениям с реальными данными (максимальная разница 3.7x10^-4 против 3.1x10^-4 для эталона). Анализ показал, что вариативность траектории оптимизации самого AI-агента объясняет 91–96% разницы во времени выполнения, что подчеркивает важность стабильности алгоритмов самообучения. Финальная версия алгоритма, обученная на реальных данных, успешно обработала 3202 генома против 5385 моделей за 6.5 часов в рамках жестких ограничений памяти (72 ГБ). Результаты работы включают публикацию замороженного манифеста скоринга с аннотированными распределениями по происхождению для всего каталога PGS, что делает метод доступным для широкого медицинского сообщества. Данный подход демонстрирует потенциал ИИ-агентов в ускорении сложных биоинформатических вычислений, необходимых для персонализированной медицины и эпидемиологических исследований.

Компания Visiana получила разрешение FDA 510(k) на использование программного обеспечения BoneXpert, которое применяет машинное обучение для определения костного возраста по рентгеновским снимкам кистей рук. Исследование показало, что алгоритм точнее ручных оценок педиатрических радиологов, снижая вариативность результатов и помогая в диагностике нарушений роста и полового созревания.

Исследователи из NYU Langone Health разработали систему на базе ИИ (с использованием ChatGPT-4o), которая анализирует ежедневные клинические отчеты ординаторов по радиологии. Инструмент выявляет пробелы в их практике и автоматически подбирает целевые учебные случаи для восполнения недостающего опыта, что повышает эффективность персонализированного обучения.

Siemens Healthineers запустила решение для лучевой терапии Accela, основанное на архитектуре NeoArc, которое сочетает высокую скорость и точность лечения. Продвинутое программное обеспечение для планирования использует искусственный интеллект и алгоритмы для оптимизации качества плана и скорости доставки дозы, что позволяет сократить время нахождения пациента на столе.

На конференции ASTRO 2026 представлены данные о выживаемости пациентов с раком поджелудочной железы, получавших высокоточную адаптивную лучевую терапию на аппарате Elekta Unity MR-Linac. Технология позволяет ежедневно корректировать облучение на основе МРТ-снимков, что обеспечило высокий уровень контроля опухоли и перспективные показатели долгосрочной выживаемости. В статье также упоминается будущее развитие платформы с использованием ИИ для автоматического контурирования и планирования лечения.

На форуме Минцифры «Цифровые решения», прошедшем 6 октября 2026 года в Москве, председатель Правительства РФ Михаил Мишустин анонсировал расширение доступа государственных учреждений к отечественным ИИ-решениям через платформу «Гостех». Согласно заявлению, федеральные, региональные и муниципальные органы власти смогут использовать готовые ИИ-сервисы «под ключ», что ускорит цифровую трансформацию государственного управления. Особое внимание уделено вопросам киберсуверенитета: для объектов критической информационной инфраструктуры будет установлен порядок использования исключительно суверенных или национальных фундаментальных моделей искусственного интеллекта. Это решение направлено на снижение технологических рисков и обеспечение безопасности данных в госсекторе. Платформа «Гостех» выступает агрегатором разработок, позволяя госучреждениям внедрять передовые технологии без необходимости самостоятельной разработки базовых алгоритмов. Инициатива отражает курс на импортозамещение в сфере ИИ и стандартизацию применения нейросетевых технологий в государственном администрировании.

Исследователи из IBM Research, Медицинской школы Икана при медцентре Маунт-Синай и других институтов разработали модель глубокого обучения для анализа Т1-взвешенных МРТ-снимков головного мозга. Модель способна не только оценивать индекс массы тела (ИМТ), но и извлекать специфические мозговые сигнатуры, связанные с кардиометаболическими рисками. Обучение алгоритма проводилось на обширном наборе данных, включавшем 45 702 участника из шести независимых когорт: UK Biobank, HCP, HCP-Aging, ADNI, PPMI и PREDICT-HD. Ключевым результатом работы стало демонстрация того, что ИИ-анализ структуры мозга может предсказывать кардиометаболические заболевания с большей точностью, чем традиционный ИМТ. Это открывает новые возможности для ранней диагностики метаболических нарушений через нейровизуализацию. Методология использует мощь глубокого обучения для выявления скрытых паттернов в мозге, которые коррелируют с системным здоровьем. Результаты публикации в журнале npj Digital Medicine подчеркивают потенциал ИИ в интеграции неврологических и кардиологических данных для улучшения превентивной медицины.

В исследовании представлен новый элементно-аннотированный набор данных SPIRIT-CONSORT-ELM, разработанный специально для обучения и оценки больших языковых моделей (LLM) в контексте проверки качества отчетности рандомизированных контролируемых испытаний (РКИ). Авторы применяют передовые методы обработки естественного языка для автоматизированного анализа текстов клинических исследований на соответствие стандартам SPIRIT (протоколы) и CONSORT (отчеты). Методология включает детальную разметку текстовых элементов на уровне предложений и абзацев, что позволяет LLM точно идентифицировать наличие или отсутствие ключевых компонентов отчетности. Ключевые результаты демонстрируют высокую эффективность предложенного подхода: модель показывает значительное улучшение метрик точности и полноты по сравнению с базовыми методами ручного или полуструктурированного анализа. Это решение способно существенно сократить время, необходимое рецензентам и редакторам журналов для проверки соответствия публикаций международным стандартам. Внедрение таких инструментов в редакционные процессы может повысить прозрачность и надежность клинических данных, снижая риск публикации исследований с неполной или искаженной информацией. Работа закладывает основу для создания надежных систем поддержки принятия решений в научной коммуникации и медицинской этике.

Авторы разработали интерпретируемую модель scTIME, которая преобразует данные транскриптомики одиночных клеток в баллы для массовых образцов, чтобы прогнозировать ответ на иммунотерапию при немелкоклеточном раке легкого. Модель на базе алгоритма ElasticNet достигла ROC-AUC 0.810, выявив ключевые иммунные программы, связанные с ответом на лечение. Исследование демонстрирует потенциал многоомного подхода для разработки прозрачных биомаркеров без опоры на единичные пути.

Статья представляет новую архитектуру R-GCRED, использующую большие языковые модели (LLM) и онтологически направленный поиск для извлечения клинически значимых симптомов из текстовых нарративов. Система обеспечивает прозрачность за счет верификации доказательств, калибровки вероятностей и моделирования рекомендаций с учетом неопределенности, демонстрируя высокие метрики на бенчмарках DAIC-WOZ и CLEF eRisk.

Статья обсуждает применение технологии «vibe coding» (генерация кода через естественный язык с помощью ИИ) для устранения административных барьеров в здравоохранении, в частности в стоматологии. Описывается, как ИИ позволяет медицинскому персоналу самостоятельно создавать инструменты для оптимизации рабочих процессов, сокращая время на разработку и снижая нагрузку на врачей.

Статья анализирует структуру российского рынка инвестиций в искусственный интеллект по итогам 2025 года. Общий объем венчурного рынка в этот период составил 159 миллионов долларов США, из которых на проекты в сфере ИИ пришлось около 51 миллиона долларов. Ключевой вывод материала заключается в том, что развитие российского ИИ-сектора происходит преимущественно по корпоративной модели, а не за счет независимых венчурных фондов. Это означает, что значительная часть финансовых ресурсов и инновационных инициатив сосредоточена внутри крупных корпораций, которые финансируют внутренние проекты и стартапы напрямую. Такой подход отличается от западных рынков, где венчурный капитал играет более доминирующую роль в поддержке ранних стадий ИИ-разработок. Анализ показывает сдвиг в экосистеме: корпорации становятся главными драйверами внедрения и развития технологий ИИ, что может влиять на скорость коммерциализации и доступность технологий для малого бизнеса. Для сферы здравоохранения это означает, что новые ИИ-решения для диагностики или управления больницами чаще всего будут предлагаться крупными медицинскими холдингами или IT-гигантами, а не стартапами.

Штат Юта планирует внедрить пилотный проект, позволяющий программному обеспечению на основе искусственного интеллекта самостоятельно оценивать состояние пациентов и выписывать новые лекарственные препараты без предварительного одобрения врачом. Это решение представляет собой значительный шаг в сторону автоматизации процесса назначения терапии, смещая фокус с рутинного контроля на доверие алгоритмам в определенных клинических сценариях. Инициатива также охватывает сферу женского здоровья, что указывает на широкое применение технологий машинного обучения для анализа специфических медицинских данных и персонализации лечения. Подобные эксперименты поднимают важные вопросы о безопасности, ответственности и эффективности использования ИИ в первичной медицинской помощи. Внедрение систем, способных принимать решения о фармакотерапии без участия человека, требует строгого регулирования и валидации алгоритмов для минимизации рисков врачебных ошибок, допущенных машиной. Проект отражает растущий тренд на интеграцию цифровых инструментов в клиническую практику с целью повышения доступности и скорости оказания медицинской помощи населению.

В исследовании анализируется эффективность использования гистологических изображений (окраска H&E) в качестве обучающего сигнала для улучшения представлений генов в транскриптомных фундаментальных моделях (foundation models). Авторы проверяют гипотезу о том, что сопоставление морфологии ткани с пространственно разрешенной экспрессией генов может помочь моделям лучше переносить аннотации между разными донорами, при этом гистологический сигнал используется только на этапе обучения и отбрасывается при инференсе. Эксперименты проводились на трех различных транскриптомных моделях, и результаты показали отсутствие согласованного улучшения качества переноса знаний между донорами при использовании гистологического руководства. Более того, хотя гистология сама по себе демонстрирует сильный потенциал для переноса признаков, интеграция с экспрессией генов не дала ожидаемого синергетического эффекта. Исследователи выявили, что эмбеддинги экспрессии генов из пространственной транскриптомики имеют низкую размерность и сильно структурированы по идентификатору слайда, что маскирует биологически значимые сигналы. Это ограничение ограничивает объем общей информации, доступной для кросс-модального переноса между морфологией и генетикой. Хотя руководство на основе гистологии помогло в некоторых морфологически отличимых классах, оно привело к снижению предсказательной способности по генам в целом. Выводы подчеркивают важность диагностики слайд-специфичной структуры данных перед применением подобных методов обучения, так как кросс-модальное руководство может лишь реорганизовать уже закодированную информацию, но не восстановить утраченную.

В статье исследуется применение трансформерных моделей для генерации синтетических медицинских табличных данных (SDG), что позволяет обходить ограничения доступа к реальным клиническим данным, сохраняя их структурную сложность и мультимодальные распределения. Авторы сравнивают три режима обучения в контексте (in-context learning): zero-shot, one-shot и few-shot, используя небольшие модели Llama 3.2 (1B и 3B параметров) и Phi (1.3B и 2.7B параметров) на реальном клиническом наборе данных. Ключевым результатом стало выявление компромисса между точностью и конфиденциальностью: режим zero-shot продемонстрировал более высокую верность (fidelity) данным и меньшую склонность к галлюцинациям по сравнению с методами с примерами, однако он оказался менее эффективным в защите приватности. Исследование показало, что размер модели и её семейство не оказывают существенного влияния на качество генерации в рамках сравниваемых подходов. Работа вносит вклад в понимание оптимизации адаптации трансформеров к табличным медицинским данным, предлагая эмпирические доказательства эффективности zero-shot подходов для повышения достоверности синтетических наборов. Результаты указывают на необходимость дальнейших исследований по снижению галлюцинаций и расширению анализа на другие архитектуры и датасеты для практического внедрения в медицинские исследования.

В статье представлен новый метод анализа данных одноядерной РНК-секвенирования (scRNA-seq), названный c-TSNE и c-UMAP, который решает проблему неинтерпретируемости стандартных методов снижения размерности, таких как t-SNE и UMAP, основанных на евклидовой геометрии. Авторы предлагают фреймворк «слияния информации, управляемый клетками» (cell-driven information fusion), который строит матрицу аффинности напрямую из сырых счетных данных, интегрируя три биологических сигнала: паттерны обнаружения генов, величину экспрессии доминирующих транскриптов и глобальную корреляцию профилей. Метод использует оператор, адаптированный к разреженности данных, и диагностический инструмент для отслеживания того, какой именно биологический компонент определяет границы локальных кластеров, обеспечивая тем самым объяснимость результатов. Оценка проводилась на 29 наборах данных и двух протоколах против 11 базовых методов; c-UMAP показал наивысшие средние значения нормализованного и скорректированного индексов взаимной информации (NMI и AMI) во всех условиях, причем улучшения оставались статистически значимыми после поправки Бонферрони. Важным преимуществом является использование единого фиксированного вектора весов для всех наборов данных, что доказывает внутреннюю устойчивость алгоритма без необходимости подбора гиперпараметров под конкретный датасет. Метод масштабируется до 1,14 миллиона клеток, работая в 22 раза быстрее ведущих аналогов, и, что критически важно, избегает потери до 46,9% ключевых дифференциально экспрессируемых генов (таких как IAPP и FOXP3), характерной для методов, требующих отбора генов по дисперсии. Результаты демонстрируют совместимость атласного масштаба, сохранения сырых данных и механистической интерпретируемости в задачах клеточной биологии.

В статье исследуется проблема «долга верификации» (verification debt) при использовании агентных ИИ-систем в биологических исследованиях, таких как платформа Biomni. Эти системы автоматизируют сложные рабочие процессы в области открытия лекарств, геномики и биоинформатики, генерируя код и принимая решения на основе больших языковых моделей. Авторы подчеркивают, что масштаб принимаемых агентами решений и недостаточная прозрачность методологических выборов приводят к накоплению ошибок, которые могут вызвать сбои в последующих экспериментах. Для эмпирической оценки этого явления исследователи провели тестирование на 10 кейсах, охватывающих протеомику, геномику и разработку препаратов, выполнив по три независимых запуска для каждого случая. В работе предложена структура из 9 метрик шагов принятия решений и 13 метрик исследовательского процесса для количественной оценки верификации. Кроме того, авторы предлагают фреймворк VERIFY, предназначенный для оценки научной воспроизводимости и валидности результатов в агентных средах. Исследование носит качественный характер и направлено на выявление недостатков текущих подходов к отслеживанию решений ИИ. Результаты указывают на необходимость новых стандартов прозрачности и аудита для безопасного внедрения автономных ИИ-агентов в научный процесс. Работа актуальна для специалистов, внедряющих ИИ в R&D секторе биотехнологий.

В статье представлен новый биоинформатический фреймворк scTAPAS (single-cell Transcriptome Allelic Prediction and Association Studies), предназначенный для реконструкции генотипов доноров непосредственно из данных одноядерной РНК-секвенирования (scRNA-seq). Это решение решает критическую проблему отсутствия сопоставленных генотипических данных в исследованиях одноядерных eQTL, позволяя выявлять гетерогенные генетические эффекты на экспрессию генов в зависимости от типа клеток. Методология основана на референсной импутации разреженной генетической информации, извлеченной из РНК-ридов, что позволяет генерировать дозировки генотипов с достаточной точностью для статистического тестирования ассоциаций. При применении к данным 5' scRNA-seq из атласа COMBAT (COVID-19 Multi-omic Blood Atlas) метод показал высокую эффективность: несмотря на тестирование лишь 18,0% вариантов по сравнению с традиционным массивным генотипированием, scTAPAS восстановил 68,6% пар eGene, зависящих от типа клеток, с сильным совпадением размеров эффектов. Особое значение имеет способность метода поддерживать импутацию классических аллелей HLA, что открывает возможности для анализа ассоциаций между вариациями HLA и репертуаром TCR на уровне одиночных клеток. Исследователи выявили специфичные для CD4+ T-клеток ассоциации между аллелями HLA II класса и использованием генных сегментов Va T-клеточного рецептора, что подчеркивает потенциал интеграции генетической информации в иммуногенетические исследования. Результаты демонстрируют, что генетическая информация, извлеченная из данных scRNA-seq, может успешно использоваться как для регуляторного, так и для иммуногенетического анализа, значительно расширяя возможности открытий в когортах, где традиционное генотипирование недоступно.

В данном рандомизированном клиническом исследовании, опубликованном в журнале npj Digital Medicine 5 октября 2026 года, оценивается эффективность применения агента на базе большой языковой модели (LLM) для проведения стандартизированных предварительных консультаций перед приемом у офтальмолога. Сравнительный анализ проводился между группой пациентов, получивших предварительный сбор анамнеза и первичную оценку с помощью ИИ-агента, и группой, где эту роль выполняли ординаторы по офтальмологии. Целью исследования было определение того, может ли ИИ обеспечить сопоставимое с медицинскими работниками качество сбора информации, выявления ключевых симптомов и подготовки пациента к визиту к специалисту. Методология включала рандомизацию пациентов на две группы и последующую оценку точности, полноты и клинической значимости собранных данных, а также удовлетворенности пациентов процессом взаимодействия. Результаты исследования демонстрируют, что ИИ-агент способен эффективно выполнять рутинные задачи предварительной сортировки и сбора анамнеза, не уступая ординаторам в качестве предоставляемой информации, что открывает перспективы для оптимизации рабочей нагрузки врачей-офтальмологов. Данное исследование имеет высокую значимость для внедрения ИИ-инструментов в клиническую практику, так как оно подтверждает безопасность и эффективность использования LLM в качестве первого контакта с пациентом в специализированной медицинской помощи. Полученные данные могут служить основой для разработки протоколов интеграции ИИ-ассистентов в рабочие процессы медицинских учреждений, позволяя сократить время ожидания приема и повысить стандартизацию первичной диагностики.